.. _sec_machine_translation: 机器翻译与数据集 ================ 语言模型是自然语言处理的关键， 而\ *机器翻译*\ 是语言模型最成功的基准测试。 因为机器翻译正是将输入序列转换成输出序列的 *序列转换模型*\ （sequence transduction）的核心问题。 序列转换模型在各类现代人工智能应用中发挥着至关重要的作用， 因此我们将其做为本章剩余部分和 :numref:`chap_attention`\ 的重点。 为此，本节将介绍机器翻译问题及其后文需要使用的数据集。 *机器翻译*\ （machine translation）指的是 将序列从一种语言自动翻译成另一种语言。 事实上，这个研究领域可以追溯到数字计算机发明后不久的20世纪40年代， 特别是在第二次世界大战中使用计算机破解语言编码。 几十年来，在使用神经网络进行端到端学习的兴起之前， 统计学方法在这一领域一直占据主导地位 :cite:`Brown.Cocke.Della-Pietra.ea.1988,Brown.Cocke.Della-Pietra.ea.1990`\ 。 因为\ *统计机器翻译*\ （statistical machine translation）涉及了 翻译模型和语言模型等组成部分的统计分析， 因此基于神经网络的方法通常被称为 *神经机器翻译*\ （neural machine translation）， 用于将两种翻译模型区分开来。 本书的关注点是神经网络机器翻译方法，强调的是端到端的学习。 与 :numref:`sec_language_model`\ 中的语料库 是单一语言的语言模型问题存在不同， 机器翻译的数据集是由源语言和目标语言的文本序列对组成的。 因此，我们需要一种完全不同的方法来预处理机器翻译数据集， 而不是复用语言模型的预处理程序。 下面，我们看一下如何将预处理后的数据加载到小批量中用于训练。 .. raw:: latex \diilbookstyleinputcell .. code:: python import os import mlx.core as mx import mlx.data as dx from d2l import mlx as d2l 下载和预处理数据集 ------------------ 首先，下载一个由\ `Tatoeba项目的双语句子对 `__ 组成的“英－法”数据集，数据集中的每一行都是制表符分隔的文本序列对， 序列对由英文文本序列和翻译后的法语文本序列组成。 请注意，每个文本序列可以是一个句子， 也可以是包含多个句子的一个段落。 在这个将英语翻译成法语的机器翻译问题中， 英语是\ *源语言*\ （source language）， 法语是\ *目标语言*\ （target language）。 .. raw:: latex \diilbookstyleinputcell .. code:: python #@save d2l.DATA_HUB['fra-eng'] = (d2l.DATA_URL + 'fra-eng.zip', '94646ad1522d915e7b0f9296181140edcf86a4f5') #@save def read_data_nmt(): """载入“英语－法语”数据集""" data_dir = d2l.download_extract('fra-eng') with open(os.path.join(data_dir, 'fra.txt'), 'r', encoding='utf-8') as f: return f.read() raw_text = read_data_nmt() print(raw_text[:75]) .. raw:: latex \diilbookstyleoutputcell .. parsed-literal:: :class: output Go. Va ! Hi. Salut ! Run! Cours ! Run! Courez ! Who? Qui ? Wow! Ça alors ! 下载数据集后，原始文本数据需要经过几个预处理步骤。 例如，我们用空格代替\ *不间断空格*\ （non-breaking space）， 使用小写字母替换大写字母，并在单词和标点符号之间插入空格。 .. raw:: latex \diilbookstyleinputcell .. code:: python #@save def preprocess_nmt(text): """预处理“英语－法语”数据集""" def no_space(char, prev_char): return char in set(',.!?') and prev_char != ' ' # 使用空格替换不间断空格 # 使用小写字母替换大写字母 text = text.replace('\u202f', ' ').replace('\xa0', ' ').lower() # 在单词和标点符号之间插入空格 out = [' ' + char if i > 0 and no_space(char, text[i - 1]) else char for i, char in enumerate(text)] return ''.join(out) text = preprocess_nmt(raw_text) print(text[:80]) .. raw:: latex \diilbookstyleoutputcell .. parsed-literal:: :class: output go . va ! hi . salut ! run ! cours ! run ! courez ! who ? qui ? wow ! ça alors ! 词元化 ------ 与 :numref:`sec_language_model`\ 中的字符级词元化不同， 在机器翻译中，我们更喜欢单词级词元化 （最先进的模型可能使用更高级的词元化技术）。 下面的\ ``tokenize_nmt``\ 函数对前\ ``num_examples``\ 个文本序列对进行词元， 其中每个词元要么是一个词，要么是一个标点符号。 此函数返回两个词元列表：\ ``source``\ 和\ ``target``\ ： ``source[i]``\ 是源语言（这里是英语）第\ :math:`i`\ 个文本序列的词元列表， ``target[i]``\ 是目标语言（这里是法语）第\ :math:`i`\ 个文本序列的词元列表。 .. raw:: latex \diilbookstyleinputcell .. code:: python #@save def tokenize_nmt(text, num_examples=None): """词元化“英语－法语”数据数据集""" source, target = [], [] for i, line in enumerate(text.split('\n')): if num_examples and i > num_examples: break parts = line.split('\t') if len(parts) == 2: source.append(parts[0].split(' ')) target.append(parts[1].split(' ')) return source, target source, target = tokenize_nmt(text) source[:6], target[:6] .. raw:: latex \diilbookstyleoutputcell .. parsed-literal:: :class: output ([['go', '.'], ['hi', '.'], ['run', '!'], ['run', '!'], ['who', '?'], ['wow', '!']], [['va', '!'], ['salut', '!'], ['cours', '!'], ['courez', '!'], ['qui', '?'], ['ça', 'alors', '!']]) 让我们绘制每个文本序列所包含的词元数量的直方图。 在这个简单的“英－法”数据集中，大多数文本序列的词元数量少于\ :math:`20`\ 个。 .. raw:: latex \diilbookstyleinputcell .. code:: python #@save def show_list_len_pair_hist(legend, xlabel, ylabel, xlist, ylist): """绘制列表长度对的直方图""" d2l.set_figsize() _, _, patches = d2l.plt.hist( [[len(l) for l in xlist], [len(l) for l in ylist]]) d2l.plt.xlabel(xlabel) d2l.plt.ylabel(ylabel) for patch in patches[1].patches: patch.set_hatch('/') d2l.plt.legend(legend) show_list_len_pair_hist(['source', 'target'], '# tokens per sequence', 'count', source, target); .. figure:: output_machine-translation-and-dataset_a58745_9_0.svg 词表 ---- 由于机器翻译数据集由语言对组成， 因此我们可以分别为源语言和目标语言构建两个词表。 使用单词级词元化时，词表大小将明显大于使用字符级词元化时的词表大小。 为了缓解这一问题，这里我们将出现次数少于2次的低频率词元 视为相同的未知（“”）词元。 除此之外，我们还指定了额外的特定词元， 例如在小批量时用于将序列填充到相同长度的填充词元（“”）， 以及序列的开始词元（“”）和结束词元（“”）。 这些特殊词元在自然语言处理任务中比较常用。 .. raw:: latex \diilbookstyleinputcell .. code:: python src_vocab = d2l.Vocab(source, min_freq=2, reserved_tokens=['', '', '']) len(src_vocab) .. raw:: latex \diilbookstyleoutputcell .. parsed-literal:: :class: output 10012 .. _subsec_mt_data_loading: 加载数据集 ---------- 回想一下，语言模型中的序列样本都有一个固定的长度， 无论这个样本是一个句子的一部分还是跨越了多个句子的一个片断。 这个固定长度是由 :numref:`sec_language_model`\ 中的 ``num_steps``\ （时间步数或词元数量）参数指定的。 在机器翻译中，每个样本都是由源和目标组成的文本序列对， 其中的每个文本序列可能具有不同的长度。 为了提高计算效率，我们仍然可以通过\ *截断*\ （truncation）和 *填充*\ （padding）方式实现一次只处理一个小批量的文本序列。 假设同一个小批量中的每个序列都应该具有相同的长度\ ``num_steps``\ ， 那么如果文本序列的词元数目少于\ ``num_steps``\ 时， 我们将继续在其末尾添加特定的“”词元， 直到其长度达到\ ``num_steps``\ ； 反之，我们将截断文本序列时，只取其前\ ``num_steps`` 个词元， 并且丢弃剩余的词元。这样，每个文本序列将具有相同的长度， 以便以相同形状的小批量进行加载。 由于机器翻译数据集由语言对组成，因此我们可以分别为源语言和目标语言构建两个词汇表。使用单词级标记化，词汇量将明显大于使用字符级标记化。为了减轻这一点，在这里我们将看起来不到两倍的未知（“”）代币视为不频繁的令牌。正如我们稍后将解释的，当使用目标序列进行训练时，解码器输出（标签标记）可以是相同的解码器输入（目标标记），移位一个标记；并且特殊的序列开头“”标记将用作预测目标序列的第一个输入标记。 .. raw:: latex \diilbookstyleinputcell .. code:: python #@save def truncate_pad(line, num_steps, padding_token): """截断或填充文本序列""" if len(line) > num_steps: return line[:num_steps] # 截断 return line + [padding_token] * (num_steps - len(line)) # 填充 truncate_pad(src_vocab[source[0]], 10, src_vocab['']) .. raw:: latex \diilbookstyleoutputcell .. parsed-literal:: :class: output [47, 4, 1, 1, 1, 1, 1, 1, 1, 1] 现在我们定义一个函数，可以将文本序列 转换成小批量数据集用于训练。 我们将特定的“”词元添加到所有序列的末尾， 用于表示序列的结束。 当模型通过一个词元接一个词元地生成序列进行预测时， 生成的“”词元说明完成了序列输出工作。 此外，我们还记录了每个文本序列的长度， 统计长度时排除了填充词元， 在稍后将要介绍的一些模型会需要这个长度信息。 .. raw:: latex \diilbookstyleinputcell .. code:: python #@save def build_array_nmt(lines, vocab, num_steps): """将机器翻译的文本序列转换成小批量""" lines = [vocab[l] for l in lines] lines = [l + [vocab['']] for l in lines] array = mx.array([truncate_pad( l, num_steps, vocab['']) for l in lines]) valid_len = (array != vocab['']).astype(mx.int32).sum(1) return array, valid_len 读取数据集 ---------- 最后，我们定义 get_dataloader 方法来返回数据迭代器。 .. raw:: latex \diilbookstyleinputcell .. code:: python #@save def load_data_nmt(batch_size, num_steps, num_examples=600): """返回翻译数据集的迭代器和词表""" text = preprocess_nmt(read_data_nmt()) source, target = tokenize_nmt(text, num_examples) src_vocab = d2l.Vocab(source, min_freq=2, reserved_tokens=['', '', '']) tgt_vocab = d2l.Vocab(target, min_freq=2, reserved_tokens=['', '', '']) src_array, src_valid_len = build_array_nmt(source, src_vocab, num_steps) tgt_array, tgt_valid_len = build_array_nmt(target, tgt_vocab, num_steps) # data_arrays = (src_array, src_valid_len, tgt_array, tgt_valid_len) # data_iter = d2l.load_array(data_arrays, batch_size) data_iter = dx.buffer_from_vector([{"X": X, "X_valid_len": X_valid_len, "Y": Y, "Y_valid_len": Y_valid_len} for X, X_valid_len, Y, Y_valid_len in zip(src_array, src_valid_len, tgt_array, tgt_valid_len)]) data_iter = ( data_iter .shuffle_if(True) .to_stream() .batch(batch_size) ) return data_iter, src_vocab, tgt_vocab 下面我们读出“英语－法语”数据集中的第一个小批量数据。 .. raw:: latex \diilbookstyleinputcell .. code:: python train_iter, src_vocab, tgt_vocab = load_data_nmt(batch_size=2, num_steps=8) for samples in train_iter: X, X_valid_len, Y, Y_valid_len = mx.array(samples["X"]), mx.array(samples["X_valid_len"]), mx.array(samples["Y"]), mx.array(samples["Y_valid_len"]) print('X:', X.astype(mx.int32)) print('X的有效长度:', X_valid_len) print('Y:', Y.astype(mx.int32)) print('Y的有效长度:', Y_valid_len) break .. raw:: latex \diilbookstyleoutputcell .. parsed-literal:: :class: output X: array([[6, 0, 4, ..., 1, 1, 1], [70, 5, 3, ..., 1, 1, 1]], dtype=int32) X的有效长度: array([4, 3], dtype=int32) Y: array([[21, 0, 4, ..., 1, 1, 1], [45, 54, 5, ..., 1, 1, 1]], dtype=int32) Y的有效长度: array([4, 4], dtype=int32) 小结 ---- - 机器翻译指的是将文本序列从一种语言自动翻译成另一种语言。 - 使用单词级词元化时的词表大小，将明显大于使用字符级词元化时的词表大小。为了缓解这一问题，我们可以将低频词元视为相同的未知词元。 - 通过截断和填充文本序列，可以保证所有的文本序列都具有相同的长度，以便以小批量的方式加载。 练习 ---- 1. 在\ ``load_data_nmt``\ 函数中尝试不同的\ ``num_examples``\ 参数值。这对源语言和目标语言的词表大小有何影响？ 2. 某些语言（例如中文和日语）的文本没有单词边界指示符（例如空格）。对于这种情况，单词级词元化仍然是个好主意吗？为什么？